CN115630677B - 任务处理方法、装置、电子设备及介质 - Google Patents
任务处理方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN115630677B CN115630677B CN202211388070.XA CN202211388070A CN115630677B CN 115630677 B CN115630677 B CN 115630677B CN 202211388070 A CN202211388070 A CN 202211388070A CN 115630677 B CN115630677 B CN 115630677B
- Authority
- CN
- China
- Prior art keywords
- computing device
- network layers
- task
- processing result
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 188
- 230000004044 response Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 22
- 238000004364 calculation method Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开提供了一种任务处理方法、装置、电子设备及介质,涉及人工智能领域,尤其涉及深度学习领域。具体实现方案为:将混合专家模型中的多个网络层切分为N组网络层,并将N组网络层分配给N个计算设备,其中N为大于1的整数;控制N个计算设备中的第一计算设备利用N组网络层中的第n组网络层执行第一任务,得到第一处理结果,n为小于N的正整数;响应于确定N个计算设备中的第二计算设备要基于第一处理结果执行第二任务,确定第二计算设备的目标状态;以及响应于确定目标状态为空闲状态,控制第二计算设备利用N组网络层中的第n+1组网络层,基于第一处理结果执行第二任务,得到第二处理结果。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及深度学习领域。具体涉及一种任务处理方法、装置、电子设备、存储介质及计算机程序产品。
背景技术
在深度学习领域,混合专家(Mixure-of-Experts,MoE)模型是实现超大规模模型训练的技术路径之一。在一些场景下,可以通过增加混合专家模型中网络层的数量来扩展模型规模。但是,在对混合专家模型进行训练时,如果混合专家模型拥有较多的网络层,同时每个网络层中拥有较多的专家网络(Expert),将导致训练过程存储负载过高,超出计算设备的存储空间,从而影响模型的正常训练。此外,由于受限于混合专家模型中网络层的数量,传统的数据并行和张量模型并行策略都无法实现这种大规模模型的训练。
发明内容
本公开提供了一种任务处理方法、装置、电子设备、存储介质及计算机程序产品。
根据本公开的一方面,提供了一种任务处理方法,包括:将混合专家模型中的多个网络层切分为N组网络层,并将N组网络层分配给N个计算设备,其中N为大于1的整数;控制N个计算设备中的第一计算设备利用N组网络层中的第n组网络层执行第一任务,得到第一处理结果,n为小于N的正整数;响应于确定N个计算设备中的第二计算设备要基于第一处理结果执行第二任务,确定第二计算设备的目标状态;以及响应于确定目标状态为空闲状态,控制第二计算设备利用N组网络层中的第n+1组网络层,基于第一处理结果执行第二任务,得到第二处理结果。
根据本公开的另一方面,提供了一种任务处理装置,包括:分配模块,用于将混合专家模型中的多个网络层切分为N组网络层,并将N组网络层分配给N个计算设备,其中N为大于1的整数;第一控制模块,用于控制N个计算设备中的第一计算设备利用N组网络层中的第n组网络层执行第一任务,得到第一处理结果,n为小于N的正整数;确定模块,用于响应于确定N个计算设备中的第二计算设备要基于第一处理结果执行第二任务,确定第二计算设备的目标状态;以及第二控制模块,用于响应于确定目标状态为空闲状态,控制第二计算设备利用N组网络层中的第n+1组网络层,基于第一处理结果执行第二任务,得到第二处理结果。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行根据本公开提供的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行根据本公开提供的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据本公开提供的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开的实施例的任务处理方法的流程图;
图2是根据本公开的实施例的任务处理方法的原理图;
图3是根据本公开的实施例的任务处理方法的示意图;
图4是根据本公开的实施例的任务处理装置的框图;以及
图5是用来实现本公开实施例的任务处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
应注意,以下方法中各个操作的序号仅作为该操作的表示以便描述,而不应被看作表示该各个操作的执行顺序。除非明确指出,否则该方法不需要完全按照所示顺序来执行。
在深度学习领域,混合专家(Mixure-of-Experts,MoE)模型是实现超大规模模型训练的技术路径之一。在一些场景下,可以通过增加MoE模型中网络层的数量来扩展模型规模。
混合专家模型包括多个网络层(MoE Layer)。每个网络层可以包括主干网络(Backbone)、门控网络(Gate)和多个专家网络(Expert)。输入数据经过主干网络的处理之后,得到处理结果。之后,由门控网络为处理结果选出作为路由网络的专家网络。最后,该专家网络对处理结果进行处理,得到最终的输出结果。在此过程中,门控网络可以基于本次路由输出门控损失值。该门控损失值可以用于衡量本次路由网络选择的偏差,一般来说,门控损失值越小,说明本次门控网络的路由选择更合理和更均匀。
对于上述混合专家模型,在实际训练过程中,如果混合专家模型拥有较多的网络层,同时每个网络层中拥有较多的专家网络,将导致训练过程存储负载过高,超出计算设备的存储空间,从而影响模型的正常训练。此外,由于受限于混合专家模型中网络层的数量,传统的数据并行和张量模型并行策略都无法实现这种大规模模型的训练。
图1是根据本公开的实施例的任务处理方法的流程图。
如图1所示,任务处理方法100包括操作S110~S140。
在操作S110,将混合专家模型中的多个网络层切分为N组网络层,并将N组网络层分配给N个计算设备。
在操作S120,控制N个计算设备中的第一计算设备利用N组网络层中的第n组网络层执行第一任务,得到第一处理结果。
在操作S130,响应于确定N个计算设备中的第二计算设备要基于第一处理结果执行第二任务,确定第二计算设备的目标状态。
在操作S140,响应于确定目标状态为空闲状态,控制第二计算设备利用N组网络层中的第n+1组网络层,基于第一处理结果执行第二任务,得到第二处理结果。
根据本公开的实施例,混合专家模型中多个网络层中的每一个例如可以包括主干网络、门控网络和多个专家网络。其中,每个网络层对于输入数据的处理过程与以上描述的过程类似,这里不再赘述。另外,每个网络层中部署的专家网络的数量可以相同或者不同,具体不做限定。需要说明的是,在本公开实施例中,除非特别说明,以下提及的网络层均与该混合专家模型中的网络层具有相同的定义。
根据本公开的实施例,可以根据混合专家模型中网络层的数量和计算设备的数量,将混合专家模型中的多个网络层按照网络层级切分为N组网络层,N组网络层中的每组网络层可以包括至少一个网络层。之后,将N组网络层分配给N个计算设备。其中,N为大于1的整数。可以理解,N组网络层中每组网络层中网络层的数量可以相同或者不同,具体可以根据实际应用场景需要来对多个网络层进行切分。
示例性地,假设计算设备的数量为2个,混合专家模型包括网络层0至网络层2M-1,即混合专家模型中网络层的数量为2M个,M为大于1的整数。根据混合专家模型中网络层的数量和计算设备的数量,将混合专家模型中的2M个网络层切分为2组网络层。之后,将2组网络层分配给2个计算设备,例如将第1组网络层分配给计算设备1,将第2组网络层分配给计算设备2。
在一个示例中,例如,将网络层0至网络层M-3切分为第1组网络层,将网络层M-2至网络层2M-1切分为第2组网络层。
在另一示例中,例如,将网络层0至网络层M-1切分为第1组网络层,将网络层M至网络层2M-1切分为第2组网络层。通过控制每个计算设备上部署的网络层的数量相同,可以使各个计算设备负载均衡,保证了任务的执行稳定性,从而提高任务处理的效率。
根据本公开的实施例,将N组网络层分配给N个计算设备之后,可以通过N个计算设备采用流水线并行方式来分别针对N组网络层进行训练,以便完成针对混合专家模型的训练任务。
混合专家模型的训练任务可以包括多个任务。第一任务和第二任务例如为混合专家模型的训练任务的不同部分。
在通过N个计算设备中的第一计算设备和第二计算设备训练混合专家模型时,首先由第一计算设备利用N组网络层中的第n组网络层执行第一任务,得到第一处理结果。其中n为小于N的正整数。第二计算设备需要基于第一处理结果执行第二任务。因此,如果第二计算设备在等待第一任务执行完成的过程中处于忙碌状态,将会影响任务流处理的及时性和效率。因此,在确定第二计算设备要基于第一处理结果执行第二任务时,可以确定第二计算设备的目标状态,目标状态包括空闲状态或者忙碌状态。
当确定第二计算设备的目标状态为空闲状态时,可以控制第二计算设备利用N组网络层中的第n+1组网络层,基于第一处理结果执行第二任务,得到第二处理结果。
根据本公开的实施例,通过将混合专家模型按照网络层级切分为多组网络层,并将多组网络层分配给多个计算设备,计算设备之间可以实现通信实现数据交互。由此每个计算设备只有混合专家模型的部分网络层,有效地降低了计算设备的存储使用。此外,本公开基于流水线并行的方式,降低了计算设备之间的通信量,节省了通信开销。本公开的方案可以实现混合专家大模型纵向扩展,增加混合专家模型深度(层数),充分利用了计算和存储资源。
根据本公开的实施例,上述操作S120中,控制N个计算设备中的第一计算设备利用N组网络层中的第n组网络层执行第一任务,得到第一处理结果例如可以包括如下操作:控制第一计算设备利用第n组网络层基于样本数据或者针对样本数据的特征执行第一任务,得到针对样本数据的特征和第一门控损失值。
可以理解,每组网络层中包括至少一个网络层,而每个网络层包括一个门控网络。每个网络层在对输入数据(包括基于样本数据或者针对样本数据的特征)进行处理之后,每个网络层可以输出针对样本数据的特征。在此过程中,每个网络层中的门控网络可以输出一个门控损失值,该门控损失值可以用于衡量本次路由网络选择的偏差。一般来说,门控损失值越小,说明本次门控网络的路由选择更合理和更均匀。
在本公开实施例中,第一门控损失值是根据n组网络层中各个网络层基于样本数据或者针对样本数据的特征得到的门控损失值来确定的。在一个示例中,第一门控损失值例如可以是指n组网络层中各个网络层基于样本数据或者针对样本数据的特征得到的门控损失值之和。
由此,在控制第一计算设备利用第n组网络层基于样本数据或者针对样本数据的特征执行第一任务之后,可以得到针对样本数据的特征以及n组网络层输出的门控损失值之和。
例如,当第一计算设备为N个计算设备中的计算设备1时,在控制计算设备1利用第1组网络层(即n=1时)执行第一任务时,计算设备1可以利用第1组网络层基于样本数据执行第一任务,得到第一处理结果,第一处理结果包括针对样本数据的特征和第一门控损失值。其中,第一门控损失值是1组网络层(即第1组网络层)中各个网络层基于样本数据或者针对样本数据的特征得到的门控损失值之和。
例如,当第一计算设备为N个计算设备中的计算设备n(1<n<N,且n为整数)时,在控制第一计算设备利用第n(1<n<N,且n为整数)组网络层执行第一任务时,第一计算设备可以利用第n组网络层基于针对样本数据的特征执行第一任务,得到第一处理结果,第一处理结果包括针对样本数据的特征和第一门控损失值。其中,第一门控损失值是n组网络层中各个网络层基于样本数据或者针对样本数据的特征得到的门控损失值之和。
在得到第一处理结果(包括针对样本数据的特征和第一门控损失值)之后,可以控制第二计算设备利用第一处理结果执行第二任务,得到第二处理结果。由此,可以将第一计算设备执行第一任务所得到的特征和门控损失值之和同时传递给第二计算设备,从而降低了计算设备之间的通信开销。
在一个示例中,上述操作S140中,控制第二计算设备利用N组网络层中的第n+1组网络层,基于第一处理结果执行第二任务,得到第二处理结果例如可以包括如下操作:控制第二计算设备利用第n+1组网络层,基于针对样本数据的特征,得到针对样本数据的特征和第一子门控损失值;以及控制第二计算设备根据第一门控损失值和第一子门控损失值,得到第二门控损失值。
在本公开实施例中,第二任务例如包括生成针对样本数据的特征和第二门控损失值。第二处理结果例如包括针对样本数据的特征和第二门控损失值。
在本公开实施例中,第一子门控损失值例如是根据第n+1组网络层中各个网络层基于针对样本数据的特征得到的门控损失值来确定的。在一示例中,第一子门控损失值例如可以是第n+1组网络层中各个网络层基于针对样本数据的特征得到的门控损失值之和。
例如,当第一计算设备为N个计算设备中的计算设备n(1≤n<N-1,且n为整数)时,第二计算设备例如可以为N个计算设备中的计算设备n+1(1≤n<N-1,且n为整数)。可以控制第二计算设备利用第n+1(1≤n<N-1,且n为整数)组网络层基于针对样本数据的特征,得到针对样本数据的特征和第一子门控损失值。之后,控制第二计算设备根据第一门控损失值和第一子门控损失值,得到第二门控损失值。
在上述过程中,第二计算设备可以仅计算第n+1组网络层输出的第一子门控损失值,即只需要计算部分网络的门控损失值。然后将第n+1组网络层输出的第一子门控损失值和来自第一计算设备的第一门控损失值进行加和,并进行输出。由此降低了第二计算设备的计算量,提升了任务处理效率。
在另一示例中,上述操作S140中,控制第二计算设备利用N组网络层中的第n+1组网络层,基于第一处理结果执行第二任务,得到第二处理结果还可以包括如下操作:控制第二计算设备利用第n+1组网络层,基于针对样本数据的特征,得到针对样本数据的样本结果和第二子门控损失值;以及控制第二计算设备根据第一门控损失值和第二子门控损失值,得到第二门控损失值。
在本公开实施例中,第二任务例如包括基于针对样本数据的特征和第一门控损失值,得到针对样本数据的样本结果和第二门控损失值。第二处理结果例如包括针对样本数据的样本结果和第二门控损失值。
在本公开实施例中,第二子门控损失值是根据第n+1组网络层中各个网络层基于针对样本数据的特征得到的门控损失值来确定的。在一示例中,第二子门控损失值例如可以是第n+1组网络层中各个网络层基于针对样本数据的特征得到的门控损失值之和。
例如,可以控制第二计算设备利用第n+1(n=N-1时)组网络层基于针对样本数据的特征,得到针对样本数据的样本结果和第二子门控损失值。之后,控制第二计算设备根据第一门控损失值和第二子门控损失值,得到第二门控损失值。
可以理解,由于第一门控损失值是根据n组网络层中各个网络层基于样本数据或者针对样本数据的特征得到的门控损失值来确定的。因此,当n的取值不同时,由第一计算设备输出的第一门控损失值会对应不同。类似地,当n的取值不同时,由第二计算设备确定的第n+1组网络层的门控损失值(例如第一子门控损失值和第二子门控损失值)也会对应发生变化。
在本公开实施例中,通过控制第一计算设备利用第n组网络层执行第一任务,得到第一处理结果,以及控制第二计算设备利用第n+1组网络层,基于第一处理结果执行第二任务,得到第二处理结果。基于上述任务处理方式,可以将各个计算设备对各组网络层的处理结果依序传递至混合专家模型的最后一组网络层,并经第N个计算设备处理后,得到最后的处理结果,即针对样本数据的样本结果和第二门控损失值。
在上述过程中,各个计算设备之间可以将执行任务所得到的特征和门控损失同时传递给下一计算设备,从而降低了计算设备之间的通信开销。
上述由样本数据得到特征、由特征得到样本结果的过程为混合专家模型的前向计算过程。在前向计算过程完成之后,需要进行后向计算过程。
例如,可以通过控制第二计算设备利用第n+1组网络层基于第二处理结果和样本标签执行第三任务,得到第三处理结果。
根据本公开的实施例,第三任务例如可以包括生成针对第n+1组网络层的参数的梯度信息。
例如,当第二计算设备为N个计算设备中的计算设备n+1(n=N-1)时,可以控制第二计算设备利用第n+1(n=N-1时)组网络层基于第二处理结果和样本标签执行第三任务时,可以控制第二计算设备利用第n+1组网络层基于样本结果和样本标签,得到特征损失值。之后,控制第二计算设备利用第n+1组网络层基于特征损失值和第二门控损失值执行第三任务,生成第三处理结果。第三处理结果例如包括针对第n+1组网络层的参数的梯度信息。
在一个示例中,控制第二计算设备利用第n+1组网络层基于特征损失值和第二门控损失值执行第三任务,生成第三处理结果可以包括如下操作:控制第二计算设备根据特征损失值和第二门控损失值,得到总损失值。然后,控制第二计算设备利用第n+1组网络层基于总损失值执行第三任务,得到第三处理结果。
例如,还可以通过控制第一计算设备利用第n组网络层基于第三处理结果执行第四任务,得到第四处理结果。其中,第四任务包括生成针对第n组网络层的参数的梯度信息。
例如,当第一计算设备为N个计算设备中的计算设备n(1≤n<N-1,且n为整数)时,可以控制第一计算设备利用第n(1≤n<N-1,且n为整数)组网络层基于第三处理结果(针对第n+1组网络层的参数的梯度信息)执行第四任务,得到第四处理结果。第四处理结果例如包括针对第n组网络层的参数的梯度信息。
在得到针对第三处理结果(针对第n+1组网络层的参数的梯度信息)和第四处理结果(针对第n组网络层的参数的梯度信息)之后,可以控制第一计算设备基于第三处理结果和第四处理结果中的至少一个,更新第n组网络层的参数。此外,还可以控制第二计算设备基于第三处理结果和第四处理结果中的至少一个,更新第n+1组网络层的参数。通过更新网络层的参数实现了混合专家模型的训练。
根据本公开的实施例,以上所述的样本数据例如可以包括但不限于文本、图像和视频中的至少之一。基于上述样本数据对混合专家模型进行训练之后,可以将经训练的混合专家模型应用于目标应用场景下。
在一个示例中,用于训练混合专家模型的样本数据例如包括问题文本。混合专家模型例如可以用于处理问题文本,得到针对问题文本的答案预测。也即,混合专家模型可以用于预测问题的答案。
在另一个示例中,用于训练混合专家模型的样本数据例如包括问题文本和图像。混合专家模型例如可以用于根据问题文本对图像中的目标对象进行识别,以获取问题文本的答案预测。也即,混合专家模型可以用于视觉问答的应用场景。
在另一个示例中,用于训练混合专家模型的样本数据例如包括待转换文本。混合专家模型例如可以用于处理待转换文本,得到针对待转换文本的转换数据。待转换文本例如包括待翻译文本,转换数据例如包括翻译后文本。换言之,混合专家模型可以用于对文本进行翻译。
需要说明的是,本公开中的混合专家模型不局限于上述样本数据和应用场景,还可以将其扩展到其他单模态或者多模态任务当中去,具体可以根据实际应用场景来确定,这里不再赘述。
图2是根据本公开的实施例的任务处理方法的原理图。
如图2所示,混合专家模型例如可以包括2M(M为大于1的整数)个网络层,例如MoE网络层0至MoE网络层2M-1。
将混合专家模型中的2M个网络层(即MoE网络层0至MoE网络层2M-1)切分为N组网络层,并将N组网络层分配给N个计算设备,N为大于1的整数。
例如,将MoE网络层0至MoE网络层M-m切分为第1组网络层,将MoE网络层M-m+1至MoE网络层M+m切分为第2组网络层,其中,0≤m<M,且m为整数。类似地,将MoE网络层M+m+1至MoE网络层2M切分为第N组网络层。接下来,例如可以将第1组网络层分配给计算设备1,将第2组网络层分配给计算设备2,...,将第N组网络层分配给计算设备N。可以理解,本公开对于混合专家模型的切分以及将切分后的网络层组分配给各个计算设备不局限于此,还可以根据实际应用需要进行,这里不做限定。例如,在一些实施例中,还可以通过控制每个计算设备上部署的网络层的数量相同,以使各个计算设备负载均衡,保证了任务的执行稳定性,从而提高任务处理的效率。
另外,混合专家模型中多个网络层中的每一个(例如MoE网络层0)例如可以包括主干网络、门控网络和多个专家网络(例如专家网络1、专家网络2至专家网络i,i为大于1的整数)。其中,每个网络层对于输入数据的处理过程与以上描述的过程类似,这里不再赘述。另外,每个网络层中部署的专家网络的数量可以相同或者不同,具体不做限定。
接下来,将N组网络层分配给N个计算设备之后,可以通过N个计算设备采用流水线并行方式来分别针对N组网络层进行训练,以完成针对混合专家模型的训练任务。混合专家模型的训练过程包括前向计算和后向计算,后向计算通常需要在前向计算完成之后才能进行。
例如,针对前向计算,当第一计算设备为计算设备1时,第二计算设备例如为计算设备2。当第一计算设备为计算设备2时,第二计算设备例如为计算设备3。以此类推,当第一计算设备为计算设备N-1时,第二计算设备例如为计算设备N。
以第一计算设备为计算设备1为例。例如,可以控制计算设备1利用第1组网络层基于样本数据执行第一任务,得到第一处理结果。第一处理结果例如包括针对样本数据的特征和第一门控损失值。其中,第一门控损失值是根据1组网络层(即第1组网络层)中各个网络层基于样本数据或者针对样本数据的特征得到的门控损失值之和。
如图2所示,在控制计算设备1利用第1组网络层基于样本数据执行第一任务过程中,针对第1组网络层中多个网络层(例如MoE网络层0至MoE网络层M-m)的每一个,可以基于输入数据(样本数据或者针对样本数据的特征),得到针对输入数据的处理结果(针对样本数据的特征和门控损失值)。例如,MoE网络层0至MoE网络层M-m基于样本数据或者针对样本数据的特征输出的门控损失值分别为门控损失值0至门控损失值M-m。可以将门控损失值0至门控损失值M-m相加,得到第一门控损失值。
当第一计算设备为计算设备2~计算设备N-1中的任意一个时,第一计算设备可以利用第n(1<n<N,且n为整数)组网络层执行第一任务时,第一计算设备可以利用第n组网络层基于针对样本数据的特征执行第一任务,得到第一处理结果,第一处理结果包括针对样本数据的特征和第一门控损失值。其中,第一门控损失值是n组网络层中各个网络层基于样本数据或者针对样本数据的特征得到的门控损失值之和。
在得到第一处理结果(包括针对样本数据的特征和第一门控损失值)之后,可以控制第二计算设备利用第一处理结果执行第二任务,得到第二处理结果。
例如,当第一计算设备为计算设备1,第二计算设备为计算设备2时,计算设备2可以利用第2组网络层基于第一结果(包括针对样本数据的特征和第一门控损失值)执行第二任务,得到第二处理结果。第二处理结果包括针对样本数据的特征和第二门控损失值。其中,第二门控损失值是根据第一门控损失值和第一子门控损失值来确定的。这里的第一门控损失值是计算设备1基于样本数据执行第一任务而得到的。第一子门控损失值是第2组网络层中各个网络层基于针对样本数据的特征得到的门控损失值之和,即门控损失值M-m+1至门控损失值M+m的总和。
例如,当第一计算设备为计算设备N-1,第二计算设备为计算设备N时,计算设备N可以利用第N组网络层基于第一结果(包括针对样本数据的特征和第一门控损失值)执行第二任务,得到第二处理结果。第二处理结果包括针对样本数据的样本结果和第二门控损失值。
在上述示例中,第二门控损失值是采用如下操作得到的:控制第二计算设备N利用第N组网络层,基于针对样本数据的特征,得到针对样本数据的样本结果和第二子门控损失值;以及控制第二计算设备N根据第一门控损失值和第二子门控损失值,得到第二门控损失值。
第二子门控损失值是根据第N组网络层中各个网络层基于针对样本数据的特征得到的门控损失值来确定的,例如,第二子门控损失值是门控损失值M+m+1至门控损失值2M-1的总和。第一门控损失值是N-1组网络层中各个网络层基于样本数据或者针对样本数据的特征得到的门控损失值之和。将第二子门控损失值与第一门控损失值进行加和,得到第二门控损失值(即图2中示出的总门控损失值)。
上述由样本数据得到特征、由特征得到预测结果的过程为混合专家模型的前向计算过程。在前向计算过程完成之后,需要进行后向计算过程。
例如,第二计算设备为计算设备N时,计算设备N例如利用第N组网络层基于样本结果和样本标签,得到特征损失值。之后,计算设备N利用第N组网络层基于特征损失值和第二门控损失值(即图2中示出的总门控损失值)执行第三任务,得到第三处理结果。第三处理结果包括例如可以包括生成针对第N组网络层的参数的梯度信息。
在得到第三处理结果之后,还可以控制第一计算设备利用第n组网络层基于第三处理结果执行第四任务,得到第四处理结果。其中,第四任务包括生成针对第n组网络层的参数的梯度信息。
例如,第一计算设备为计算设备N-1,计算设备N-1例如利用第N-1组网络层基于第三处理结果执行第四任务,得到第四处理结果,第四处理结果包括针对第N-1组网络层的参数的梯度信息。
在得到针对第三处理结果和第四处理结果之后,可以控制第一计算设备基于第三处理结果和第四处理结果中的至少一个,更新第n组网络层的参数。还可以控制第二计算设备基于第三处理结果和第四处理结果中的至少一个,更新第n+1组网络层的参数。
以第一计算设备为计算设备N-1,第二计算设备为计算设备N为例。当得到针对第三处理结果(针对第N组网络层的参数的梯度信息)和第四处理结果(针对第N-1组网络层的参数的梯度信息)之后,可以根据第三处理结果和第四处理结果中的至少一个,更新第N-1组网络层的参数和第N组网络层的参数。
根据本公开的实施例,通过将混合专家模型按照网络层级切分为多组网络层,并将多组网络层分配给多个计算设备,计算设备之间可以实现通信实现数据交互。由此每个计算设备只有混合专家模型的部分网络层,有效地降低了计算设备的存储使用。此外,本公开基于流水线并行的方式,降低了计算设备之间的通信量,节省了通信开销。本公开的方案可以实现混合专家大模型纵向扩展,增加混合专家模型深度(层数),充分利用了计算和存储资源。
在图2示例的基础上,参考图3进一步介绍本公开实施例的任务处理方法。
图3是根据本公开的实施例的任务处理方法的示意图。
如图3所示,混合专家模型的训练过程包括前向计算和后向计算,后向计算通常需要在前向计算完成之后才能进行。
例如,可以通过计算设备1~计算设备4(即图2中的N=4)来训练混合专家模型。按照以上描述的方式,可以将混合专家模型切分为4组网络层,并将4组网络层分配给4个计算设备,由计算设备1~计算设备4分别针对4组网络层进行训练。
例如,任务F11~F14、F21~F24、F31~F34和F41~F44为前向计算涉及的任务。任务B11~B14、B21~B24、B31~B34和B41~B44为后向计算涉及的任务。
针对前向计算,可以利用计算设备1训练第1组网络层,计算设备2训练第2组网络层。计算设备1通过执行任务F11~F14来实现训练第1组网络层,任务F11~F14例如分别为基于4批样本数据进行训练。例如任务F11基于一批样本数据进行训练,任务F12基于另一批样本数据进行训练等等。任务F11~F14之间不存在依赖关系。
计算设备2可以通过执行任务F21~F24来实现训练第2组网络层。其中,任务F21需要依赖任务F11的执行结果、任务F22需要依赖任务F12的执行结果等等。
计算设备3可以通过执行任务F31~F34来实现训练第3组网络层。其中,任务F31需要依赖任务F21的执行结果。
计算设备4可以通过执行任务F41~F44来实现训练第4组网络层。其中,任务F41需要依赖任务F31的执行结果。
针对后向计算,后向计算涉及的任务B41~B44需要依赖前向计算涉及的任务F41~F44的执行结果。同时,后向计算中不同部分的网络层之间也存在依赖关系,该依赖关系与前向计算的依赖关系是反向的。例如,计算设备2在后向计算过程中通过执行任务B24实现训练第2组网络层时,需要依赖针对第3组网络层的任务B34的执行结果。
在前向计算和后向计算均执行完毕之后,可以进行模型参数的更新计算,更新计算可以由多个计算设备同时进行。
针对前向计算,当第一任务由计算设备1执行时,第二任务例如由第二计算设备2执行。当第一任务由计算设备2执行时,第二任务例如由计算设备3执行。以此类推,当第一任务由计算设备3执行时,第二任务例如由计算设备4执行。
针对前向计算和后向计算,第二计算设备例如可以执行第二任务(前向计算)和第三任务(后向计算)。以第二计算设备为计算设备4为例,第二任务(前向计算)例如包括L个第二子任务,L为正整数,L个第二子任务例如包括任务F41~F44。第三任务(后向计算)例如包括Q个第三子任务,Q为正整数,Q个第三子任务例如包括任务B41~B44。
在控制第二计算设备(计算设备4)利用第4组网络层基于第二处理结果和样本标签执行第三任务以生成第三处理结果(针对第4组网络层的参数的梯度信息)时,如果确定第二计算设备执行完成L个第二子任务中的目标第二子任务(例如任务F41),则控制第二计算设备利用第4组网络层,基于与目标第二子任务(例如任务F41)对应的子处理结果和样本标签,执行Q个第三子任务中的目标第三子任务(例如任务B41)。
与目标第二子任务(例如任务F41)对应的子处理结果例如包括第二处理结果中的至少一部分。例如,第二处理结果包括任务F41对应的子处理结果、F42对应的子处理结果、F43对应的子处理结果和F44对应的子处理结果。当目标第二子任务为任务F41时,目标第三子任务例如为任务B41。当目标第二子任务为任务F42时,目标第三子任务例如为任务B42。当目标第二子任务为任务F43时,目标第三子任务例如为任务B43。当目标第二子任务为任务F44时,目标第三子任务例如为任务B44。
在确定目标第三子任务(例如任务B41)执行完成之后,可以删除与目标第二子任务(例如任务F41)对应的子处理结果,以便提前释放第二计算设备的存储空间,从而避免子任务执行完毕之后,子处理结果长时间占用存储空间的问题。
需要说明的是,图3所示仅是示例性地,以帮助本领域技术人员理解本公开的方案。除了图3示出的流水线并行策略之外,本公开的方案还可以采用其他流水线并行策略,具体可以根据实际需要选择,本公开对此不做限定。
图4是根据本公开的实施例的任务处理装置的框图。
如图4所示,任务处理装置400包括分配模块410、第一控制模块420、确定模块430和第二控制模块440。
分配模块410用于将混合专家模型中的多个网络层切分为N组网络层,并将N组网络层分配给N个计算设备,其中N为大于1的整数。
第一控制模块420用于控制N个计算设备中的第一计算设备利用N组网络层中的第n组网络层执行第一任务,得到第一处理结果,n为小于N的正整数。
确定模块430用于响应于确定N个计算设备中的第二计算设备要基于第一处理结果执行第二任务,确定第二计算设备的目标状态。
第二控制模块440用于响应于确定目标状态为空闲状态,控制第二计算设备利用N组网络层中的第n+1组网络层,基于第一处理结果执行第二任务,得到第二处理结果。
根据本公开的实施例,第一控制模块包括第一控制单元。第一控制单元用于控制第一计算设备利用第n组网络层基于样本数据或者针对样本数据的特征执行第一任务,得到针对样本数据的特征和第一门控损失值。其中,第一门控损失值是根据n组网络层中各个网络层基于样本数据或者针对样本数据的特征得到的门控损失值来确定的。
根据本公开的实施例,第二控制模块包括第二控制单元和第三控制单元。第二控制单元用于控制第二计算设备利用第n+1组网络层,基于针对样本数据的特征,得到针对样本数据的特征和第一子门控损失值;以及第三控制单元用于控制第二计算设备根据第一门控损失值和第一子门控损失值,得到第二门控损失值。其中,第一子门控损失值是根据第n+1组网络层中各个网络层基于针对样本数据的特征得到的门控损失值来确定的。
根据本公开的实施例,第二控制模块包括第四控制单元和第五控制单元。第四控制单元用于控制第二计算设备利用第n+1组网络层,基于针对样本数据的特征,得到针对样本数据的样本结果和第二子门控损失值;以及第五控制单元用于控制第二计算设备根据第一门控损失值和第二子门控损失值,得到第二门控损失值。其中,第二子门控损失值是根据第n+1组网络层中各个网络层基于针对样本数据的特征得到的门控损失值来确定的。
根据本公开的实施例,上述任务处理装置400还包括第三控制模块和第四控制模块。第三控制模块用于控制第二计算设备利用第n+1组网络层基于第二处理结果和样本标签执行第三任务,得到第三处理结果;以及第四控制模块用于控制第一计算设备利用第n组网络层基于第三处理结果执行第四任务,得到第四处理结果。
根据本公开的实施例,第三控制模块包括第六控制单元和第七控制单元。第六控制单元用于控制第二计算设备利用第n+1组网络层基于样本结果和样本标签,得到特征损失值;以及第七控制单元用于控制第二计算设备利用第n+1组网络层基于特征损失值和第二门控损失值执行第三任务,生成第三处理结果。
根据本公开的实施例,第三任务包括:生成针对第n+1组网络层的参数的梯度信息;第四任务包括:生成针对第n组网络层的参数的梯度信息。
根据本公开的实施例,上述任务处理装置400还包括第八控制单元和第九控制单元。第八控制单元用于控制第一计算设备基于第三处理结果和第四处理结果中的至少一个,更新第n组网络层的参数;以及第九控制单元用于控制第二计算设备基于第三处理结果和第四处理结果中的至少一个,更新第n+1组网络层的参数。
根据本公开的实施例,其中,第二任务包括L个第二子任务,第三任务包括Q个第三子任务,L和Q分别为正整数。其中,第三控制模块包括第十控制单元和删除单元。第十控制单元用于响应于确定第二计算设备执行完成L个第二子任务中的目标第二子任务,控制第二计算设备利用第n+1组网络层,基于与目标第二子任务对应的子处理结果和样本标签,执行Q个第三子任务中的目标第三子任务,其中,子处理结果包括第二处理结果中的至少一部分;以及删除单元用于响应于确定目标第三子任务执行完成,删除子处理结果。
根据本公开的实施例,样本数据包括文本、图像和视频中的至少之一。
需要说明的是,装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似,在此不再赘述。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例,一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如本公开实施例的方法。
根据本公开的实施例,一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行如本公开实施例的方法。
根据本公开的实施例,一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如本公开实施例的方法。
图5是用来实现本公开实施例的用于执行任务处理方法的电子设备的框图。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如任务处理方法。例如,在一些实施例中,任务处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的任务处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行任务处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (21)
1.一种计算设备处理任务的方法,包括:
根据混合专家模型中网络层的数量和计算设备的数量,将混合专家模型中的多个网络层切分为N组网络层,并将所述N组网络层分配给N个计算设备,其中所述N个计算设备用于分别执行针对所述N组网络层的训练任务,使所述N个计算设备中每个计算设备的存储使用降低,所述训练任务包括第一任务和与所述第一任务相关的第二任务,N为大于1的整数;
控制N个计算设备中的第一计算设备利用所述N组网络层中的第n组网络层基于样本数据执行所述第一任务,得到第一处理结果,n为小于N的正整数,所述样本数据包括文本、图像和视频中的至少之一;
响应于确定N个计算设备中的第二计算设备要基于第一处理结果执行所述第二任务,确定所述第二计算设备的目标状态;以及
响应于确定所述目标状态为空闲状态,控制所述第一计算设备将所述第一处理结果传递至所述第二计算设备,使所述N个计算设备之间的通信量降低,并控制所述第二计算设备利用所述N组网络层中的第n+1组网络层,基于所述第一处理结果执行所述第二任务,得到第二处理结果。
2.根据权利要求1所述的方法,其中,所述控制N个计算设备中的第一计算设备利用所述N组网络层中的第n组网络层执行第一任务,得到第一处理结果包括:
控制所述第一计算设备利用第n组网络层基于样本数据或者针对所述样本数据的特征执行所述第一任务,得到针对所述样本数据的特征和第一门控损失值;
其中,所述第一门控损失值是根据n组网络层中各个网络层基于样本数据或者针对所述样本数据的特征得到的门控损失值来确定的。
3.根据权利要求2所述的方法,其中,所述控制所述第二计算设备利用所述N组网络层中的第n+1组网络层,基于所述第一处理结果执行所述第二任务,得到第二处理结果包括:
控制所述第二计算设备利用第n+1组网络层,基于针对所述样本数据的特征,得到针对所述样本数据的特征和第一子门控损失值;以及
控制所述第二计算设备根据所述第一门控损失值和所述第一子门控损失值,得到第二门控损失值;
其中,所述第一子门控损失值是根据第n+1组网络层中各个网络层基于针对所述样本数据的特征得到的门控损失值来确定的。
4.根据权利要求2所述的方法,其中,所述控制所述第二计算设备利用所述N组网络层中的第n+l组网络层,基于所述第一处理结果执行所述第二任务,得到第二处理结果包括:
控制所述第二计算设备利用第n+1组网络层,基于针对所述样本数据的特征,得到针对所述样本数据的样本结果和第二子门控损失值;以及
控制所述第二计算设备根据所述第一门控损失值和所述第二子门控损失值,得到第二门控损失值;
其中,所述第二子门控损失值是根据第n+1组网络层中各个网络层基于针对所述样本数据的特征得到的门控损失值来确定的。
5.根据权利要求4所述的方法,还包括:
控制所述第二计算设备利用所述第n+1组网络层基于所述第二处理结果和样本标签执行第三任务,得到第三处理结果;以及
控制所述第一计算设备利用所述第n组网络层基于所述第三处理结果执行第四任务,得到第四处理结果。
6.根据权利要求5所述的方法,其中,所述控制所述第二计算设备利用所述第n+1组网络层基于所述第二处理结果和样本标签执行第三任务,得到第三处理结果包括:
控制所述第二计算设备利用所述第n+1组网络层基于所述样本结果和所述样本标签,得到特征损失值;以及
控制所述第二计算设备利用所述第n+1组网络层基于所述特征损失值和第二门控损失值执行第三任务,生成第三处理结果。
7.根据权利要求6所述的方法,其中,
所述第三任务包括:生成针对所述第n+1组网络层的参数的梯度信息;
所述第四任务包括:生成针对所述第n组网络层的参数的梯度信息。
8.根据权利要求5所述的方法,还包括:
控制所述第一计算设备基于所述第三处理结果和所述第四处理结果中的至少一个,更新所述第n组网络层的参数;以及
控制所述第二计算设备基于所述第三处理结果和所述第四处理结果中的至少一个,更新所述第n+1组网络层的参数。
9.根据权利要求5所述的方法,其中,所述第二任务包括L个第二子任务,所述第三任务包括Q个第三子任务,L和Q分别为正整数;
其中,所述控制所述第二计算设备利用所述第n+1组网络层基于所述第二处理结果和所述样本标签执行第三任务,得到第三处理结果包括:
响应于确定所述第二计算设备执行完成所述L个第二子任务中的目标第二子任务,控制所述第二计算设备利用所述第n+1组网络层,基于与所述目标第二子任务对应的子处理结果和所述样本标签,执行所述Q个第三子任务中的目标第三子任务,其中,所述子处理结果包括所述第二处理结果中的至少一部分;以及
响应于确定所述目标第三子任务执行完成,删除所述子处理结果。
10.一种计算设备处理任务的装置,包括:
分配模块,用于根据混合专家模型中网络层的数量和计算设备的数量,将混合专家模型中的多个网络层切分为N组网络层,并将所述N组网络层分配给N个计算设备,其中所述N个计算设备用于执行针对所述N组网络层的训练任务,使所述N个计算设备中每个计算设备的存储使用降低,所述训练任务包括第一任务和与所述第一任务相关的第二任务,N为大于1的整数;
第一控制模块,用于控制N个计算设备中的第一计算设备利用所述N组网络层中的第n组网络层基于样本数据执行所述第一任务,得到第一处理结果,n为小于N的正整数,所述样本数据包括文本、图像和视频中的至少之一;
确定模块,用于响应于确定N个计算设备中的第二计算设备要基于第一处理结果执行所述第二任务,确定所述第二计算设备的目标状态;以及
第二控制模块,用于响应于确定所述目标状态为空闲状态,控制所述第一计算设备将所述第一处理结果传递至所述第二计算设备,使所述N个计算设备之间的通信量降低,并控制所述第二计算设备利用所述N组网络层中的第n+1组网络层,基于所述第一处理结果执行所述第二任务,得到第二处理结果。
11.根据权利要求10所述的装置,其中,所述第一控制模块包括:
第一控制单元,用于控制所述第一计算设备利用第n组网络层基于样本数据或者针对所述样本数据的特征执行所述第一任务,得到针对所述样本数据的特征和第一门控损失值;
其中,所述第一门控损失值是根据n组网络层中各个网络层基于样本数据或者针对所述样本数据的特征得到的门控损失值来确定的。
12.根据权利要求11所述的装置,其中,所述第二控制模块包括:
第二控制单元,用于控制所述第二计算设备利用第n+1组网络层,基于针对所述样本数据的特征,得到针对所述样本数据的特征和第一子门控损失值;以及
第三控制单元,用于控制所述第二计算设备根据所述第一门控损失值和所述第一子门控损失值,得到第二门控损失值;
其中,所述第一子门控损失值是根据第n+1组网络层中各个网络层基于针对所述样本数据的特征得到的门控损失值来确定的。
13.根据权利要求11所述的装置,其中,所述第二控制模块包括:
第四控制单元,用于控制所述第二计算设备利用第n+1组网络层,基于针对所述样本数据的特征,得到针对所述样本数据的样本结果和第二子门控损失值;以及
第五控制单元,用于控制所述第二计算设备根据所述第一门控损失值和所述第二子门控损失值,得到第二门控损失值;
其中,所述第二子门控损失值是根据第n+1组网络层中各个网络层基于针对所述样本数据的特征得到的门控损失值来确定的。
14.根据权利要求13所述的装置,还包括:
第三控制模块,用于控制所述第二计算设备利用所述第n+1组网络层基于所述第二处理结果和样本标签执行第三任务,得到第三处理结果;以及
第四控制模块,用于控制所述第一计算设备利用所述第n组网络层基于所述第三处理结果执行第四任务,得到第四处理结果。
15.根据权利要求14所述的装置,其中,所述第三控制模块包括:
第六控制单元,用于控制所述第二计算设备利用所述第n+1组网络层基于所述样本结果和所述样本标签,得到特征损失值;以及
第七控制单元,用于控制所述第二计算设备利用所述第n+1组网络层基于所述特征损失值和第二门控损失值执行第三任务,生成第三处理结果。
16.根据权利要求15所述的装置,其中,
所述第三任务包括:生成针对所述第n+1组网络层的参数的梯度信息;
所述第四任务包括:生成针对所述第n组网络层的参数的梯度信息。
17.根据权利要求14所述的装置,还包括:
第八控制单元,用于控制所述第一计算设备基于所述第三处理结果和所述第四处理结果中的至少一个,更新所述第n组网络层的参数;以及
第九控制单元,用于控制所述第二计算设备基于所述第三处理结果和所述第四处理结果中的至少一个,更新所述第n+1组网络层的参数。
18.根据权利要求14所述的装置,其中,所述第二任务包括L个第二子任务,所述第三任务包括Q个第三子任务,L和Q分别为正整数;其中,所述第三控制模块包括:
第十控制单元,用于响应于确定所述第二计算设备执行完成所述L个第二子任务中的目标第二子任务,控制所述第二计算设备利用所述第n+1组网络层,基于与所述目标第二子任务对应的子处理结果和所述样本标签,执行所述Q个第三子任务中的目标第三子任务,其中,所述子处理结果包括所述第二处理结果中的至少一部分;以及
删除单元,用于响应于确定所述目标第三子任务执行完成,删除所述子处理结果。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211388070.XA CN115630677B (zh) | 2022-11-07 | 2022-11-07 | 任务处理方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211388070.XA CN115630677B (zh) | 2022-11-07 | 2022-11-07 | 任务处理方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115630677A CN115630677A (zh) | 2023-01-20 |
CN115630677B true CN115630677B (zh) | 2023-10-13 |
Family
ID=84909015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211388070.XA Active CN115630677B (zh) | 2022-11-07 | 2022-11-07 | 任务处理方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115630677B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284296A (zh) * | 2018-10-24 | 2019-01-29 | 北京云睿科技有限公司 | 一种大数据pb级分布式信息存储与检索平台 |
CN109657802A (zh) * | 2019-01-28 | 2019-04-19 | 清华大学深圳研究生院 | 一种混合专家强化学习方法及系统 |
EP3511902A1 (en) * | 2018-01-15 | 2019-07-17 | Reliance Core Consulting LLC | Systems for motion analysis in a field of interest |
CN111612022A (zh) * | 2019-02-25 | 2020-09-01 | 日本电气株式会社 | 用于分析数据的方法、设备和计算机存储介质 |
CN113253733A (zh) * | 2021-06-03 | 2021-08-13 | 杭州未名信科科技有限公司 | 一种基于学习和融合的导航避障方法、装置及系统 |
CN114117216A (zh) * | 2021-11-23 | 2022-03-01 | 广州博冠信息科技有限公司 | 推荐概率预测方法及装置、计算机存储介质和电子设备 |
CN114282681A (zh) * | 2021-08-11 | 2022-04-05 | 腾讯科技(深圳)有限公司 | 多任务处理及模型的训练方法、装置、介质及设备 |
CN114490765A (zh) * | 2022-01-25 | 2022-05-13 | 中国人民解放军32039部队 | 故障监测方法、装置和电子设备 |
CN114841315A (zh) * | 2022-04-22 | 2022-08-02 | 北京百度网讯科技有限公司 | 混合专家模型实现方法、系统、电子设备及存储介质 |
CN114860412A (zh) * | 2022-05-19 | 2022-08-05 | 北京百度网讯科技有限公司 | 任务处理方法、装置、电子设备和介质 |
CN114997412A (zh) * | 2022-05-17 | 2022-09-02 | 华为技术有限公司 | 一种推荐方法、训练方法以及装置 |
WO2022221719A2 (en) * | 2021-04-16 | 2022-10-20 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for digital product network systems and biology-based value chain networks |
-
2022
- 2022-11-07 CN CN202211388070.XA patent/CN115630677B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3511902A1 (en) * | 2018-01-15 | 2019-07-17 | Reliance Core Consulting LLC | Systems for motion analysis in a field of interest |
CN109284296A (zh) * | 2018-10-24 | 2019-01-29 | 北京云睿科技有限公司 | 一种大数据pb级分布式信息存储与检索平台 |
CN109657802A (zh) * | 2019-01-28 | 2019-04-19 | 清华大学深圳研究生院 | 一种混合专家强化学习方法及系统 |
CN111612022A (zh) * | 2019-02-25 | 2020-09-01 | 日本电气株式会社 | 用于分析数据的方法、设备和计算机存储介质 |
WO2022221719A2 (en) * | 2021-04-16 | 2022-10-20 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for digital product network systems and biology-based value chain networks |
CN113253733A (zh) * | 2021-06-03 | 2021-08-13 | 杭州未名信科科技有限公司 | 一种基于学习和融合的导航避障方法、装置及系统 |
CN114282681A (zh) * | 2021-08-11 | 2022-04-05 | 腾讯科技(深圳)有限公司 | 多任务处理及模型的训练方法、装置、介质及设备 |
CN114117216A (zh) * | 2021-11-23 | 2022-03-01 | 广州博冠信息科技有限公司 | 推荐概率预测方法及装置、计算机存储介质和电子设备 |
CN114490765A (zh) * | 2022-01-25 | 2022-05-13 | 中国人民解放军32039部队 | 故障监测方法、装置和电子设备 |
CN114841315A (zh) * | 2022-04-22 | 2022-08-02 | 北京百度网讯科技有限公司 | 混合专家模型实现方法、系统、电子设备及存储介质 |
CN114997412A (zh) * | 2022-05-17 | 2022-09-02 | 华为技术有限公司 | 一种推荐方法、训练方法以及装置 |
CN114860412A (zh) * | 2022-05-19 | 2022-08-05 | 北京百度网讯科技有限公司 | 任务处理方法、装置、电子设备和介质 |
Non-Patent Citations (2)
Title |
---|
刘一星 ; 梁山 ; .基于改进ATSVM算法的评审专家自动推荐模型.重庆科技学院学报(自然科学版).2010,(01),全文. * |
张冬至 ; 夏伯锴 ; 任冬艳 ; .基于混合专家网络的智能检测系统.传感器与微系统.2007,(06),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115630677A (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6898496B2 (ja) | 計算グラフの処理 | |
CN111597028B (zh) | 用于任务调度的方法和装置 | |
CN113377520B (zh) | 资源调度方法、装置、设备以及存储介质 | |
JP7454529B2 (ja) | 分散型モデルトレーニング装置および方法、電子機器、記憶媒体、ならびに、コンピュータプログラム | |
CN113361721B (zh) | 模型训练方法、装置、电子设备、存储介质及程序产品 | |
CN115880132B (zh) | 图形处理器、矩阵乘法任务处理方法、装置及存储介质 | |
CN111782385A (zh) | 用于处理任务的方法、电子设备和计算机程序产品 | |
CN114860412B (zh) | 任务处理方法、装置、电子设备和介质 | |
CN116450312A (zh) | 面向流水线并行训练的调度策略确定方法及系统 | |
CN114841315A (zh) | 混合专家模型实现方法、系统、电子设备及存储介质 | |
CN114924745A (zh) | 深度学习编译器的运行方法、装置及电子设备 | |
Singh et al. | To offload or not? an analysis of big data offloading strategies from edge to cloud | |
CN112862083B (zh) | 一种边缘环境下的深度神经网络推断方法及装置 | |
CN112527509B (zh) | 一种资源分配方法、装置、电子设备及存储介质 | |
CN114240506A (zh) | 多任务模型的建模方法、推广内容处理方法及相关装置 | |
CN115630677B (zh) | 任务处理方法、装置、电子设备及介质 | |
CN115906921B (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
CN116915869A (zh) | 基于云边协同的时延敏感型智能服务快速响应方法 | |
CN114792125B (zh) | 基于分布式训练的数据处理方法、装置、电子设备和介质 | |
CN115952054A (zh) | 一种仿真任务资源管理方法、装置、设备及介质 | |
CN113254200B (zh) | 资源编排方法及智能体 | |
CN115309521A (zh) | 面向海上无人设备的深度强化学习任务调度方法及装置 | |
CN114565105A (zh) | 处理数据的方法和深度学习模型的训练方法、装置 | |
CN113361574A (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
CN115344359A (zh) | 算力资源分配方法、装置、计算机可读存储介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |